CN113078929B - 网络辅助全双工无蜂窝大规模mimo双工模式优化方法 - Google Patents

Abstract

本发明涉及一种网络辅助全双工无蜂窝大规模MIMO双工模式优化方法，属于移动通信技术领域。该方法针对无蜂窝大规模MIMO场景下网络辅助全双工的系统频谱效率最大化问题，利用二元模式选择向量建模RAU(remote antenna unit，远端天线单元)工作模式为上行还是下行传输的问题，给出一种放松对单元超立方体的二进制约束，并在并行连续凸逼近(PSCA)框架下解决了该非凸优化问题的方法。本发明提出的算法能提高无蜂窝大规模MIMO场景下网络辅助全双工系统的性能，且复杂度较低。

Description

网络辅助全双工无蜂窝大规模MIMO双工模式优化方法

技术领域

本发明涉及一种无蜂窝大规模MIMO场景下网络辅助全双工的模式选择优化方法，属于移动通信技术领域。

背景技术

随着无线通信系统中对于高数据速率服务的需求不断增长，引起了人们对无线通信系统中的创新技术的探索。全球无线数据业务呈爆炸式增长，多样化和个性化的移动业务对下一代移动通信系统的双工技术提出了更高的要求。但是，全双工技术面临着自干扰和丢包率增加的巨大挑战。为了更灵活地利用无线电资源，第五代(5G)新无线电技术已将包括动态TDD和灵活FDD在内的灵活双工技术作为关键功能。

最近被提出的无蜂窝大规模MIMO(multi-input multi-output)网络架构下的网络辅助全双工系统能够通过联合处理解决交叉链路干扰的问题，并统一了灵活双工、混合双工、全双工和其他双工方法。网络辅助全双工分布式大规模MIMO系统，系统内包含一个中央处理单元，多个远端天线单元以及多个用户。每个RAU(remote antenna unit，远端天线单元)可以进行上行接收或者下行发送，具体选择何种传输模式由CPU决定。

在已有的网络辅助全双工场景中，对于RAU实行上行接收或者下行发送模式是往往固定的，如何根据全双工模式选择的优化去提高整个系统的频谱效率还有待研究。

发明内容

技术问题：本发明针对采用无蜂窝大规模MIMO场景下网络辅助全双工的模式选择优化方法使系统的频谱效率最大化问题，提出上行链路(UL)或下行链路(DL)RAU的分配模式，以实现更好的系统性能。主要研究的是提高频谱效率(SE)的问题，提出了一种网络辅助全双工无蜂窝大规模MIMO双工模式优化方法。

技术方案：本发明的一种网络辅助全双工无蜂窝大规模MIMO双工模式优化方法具体步骤如下：

步骤1：设定最大化频谱效率目标函数：

其中，R_U,i为上行链路的频谱效率，R_D,j为下行链路的频谱效率，K_u为上行链路中的用户数，K_d为下行链路中的用户数；u、d分别为上行链路、下行链路的标识，i、j分别为第i个上行链路用户和第j个下行链路用户；

为了确定每个远端天线单元RAU(remote antenna unit)应该以哪种模式运行，定义两个二进制分配向量x^u,x^d∈{0,1}^M×1，M为RAU的总数量，如果RAU用于上行链路或下行链路则第i个上行RAU的二进制分配向量或第j个下行RAU的二进制分配向量

取值为1，否则取值为0；被第j个下行链路用户接收到的信号和所有的上行远端天线单元RAUs联合接收来自上行用户的信号可分别表示为式(2)和式(3)：

定义X^u＝diag(x^u)，X^d＝diag(x^d)，diag(a)表示用元素a构成对角矩阵；式中

分别表示有效的下行链路信道向量，有效的上行链路信道向量以及有效的上行链路RAU和下行链路RAU之间的信道向量。

表示有效的噪声，其中，

表示所有下行链路RAU与接收信号的下行用户j之间的信道向量，

为下行预编码向量，

为发送给第m个下行用户的数据信号，g_i,j表示第i个上行用户和第j个下行用户之间的信道向量，p_u,i是第i个上行用户的发送功率，x_i是第i个用户发送的数据信号，

为复值加性高斯白噪声，

表示第i个上行用户与所有上行RAUs之间信道，G_I是下行RAUs和上行RAUs之间真实的干扰信道矩阵，w_j为下行预编码向量，η^u为复值加性高斯白噪声；

步骤2：利用用户速率与均方误差MSE的反比关系重塑优化问题为：

满足约束：x^u+x^d＝1；

和

分别表示上下行的均方误差；

对非平滑和非凸优化采用并行连续凸逼近，以便在使函数最小化和保持与先前迭代结果接近之间找到一个折衷方案。

所述的对非平滑和非凸优化采用并行连续凸逼近，以便在使函数最小化和保持与先前迭代结果接近之间找到一个折衷方案，具体如下：

放松对单元超立方体的二进制约束，并使用并行连续凸逼近PSCA框架解决这个非确定性多项式问题NP；由x^d＝1-x^u，将式(4)的优化问题拆解为只含有变量X^u的函数项G(X^u)，只含有变量X^d的函数项G(X^d)，含有X^u和X^d两项的函数项G(X^u,X^d)::

min G(X^u)+G(X^d)+G(X^u,X^d)， (5)

由矩阵的性质，对需要优化的式子进行化简，得到优化问题的变形为：

min x^uTΛx^u-2b^u,dTx^u， (9)

满足x^u∈{0,1}^M×1；

其中Λ和b^u,d为经过矩阵运算和多项式合并之后的代数项；

为了使优化问题转化为凸问题，添加一个近端算子

式中，满足x^u∈{0,1}^M×1。

所述的凸优化问题为：

步骤1，初始化

其中α，λ都为设定算法收敛阈值的辅助因子，

步骤2，随机生成x^u(0)∈{0,1}^M×1，n＝0，x^u(0)表示初始的x^u；

步骤3，当||x^u(n)-x^u(0)||≤λ，更新

上标n表示迭代的次数；

步骤4，找到最佳的

步骤5，更新

直到步骤3的判断条件不满足为止；

步骤6，返回最优解x^u(n)；

步骤7，若算法收敛，结束算法，保存x^u(n)，计算

去计算频谱效率SE；否则，n＝n+1，返回步骤2。

有益效果：本发明考虑了无蜂窝大规模MIMO场景下网络辅助全双工的模式选择优化问题，利用二元变量取0或1建模问题，将一个实际中存在的难以求解的非凸优化问题通过连续凸逼近技术转化为较易求解的凸优化问题，在求解中也利用了很多矩阵运算的技巧和辅助参数。所提出算法能够明显提升网络辅助全双工系统的频谱效率，且复杂度较低。

附图说明

附图为实例问题中搭建的场景以及在ZF和MRT预编码下所提出的算法与其他算法的频谱效率比较图。

图1是均匀分布的RAU和随机分布的上下行用户的位置分布图，

图2是不同算法在ZF预编码下的总频谱效率的CDF(累积分布函数)的比较图，

图3是不同算法在MRT预编码下的总频谱效率的CDF的比较图。

具体实施方式

下面结合实例，对本发明进行详细的描述：

假设一个处于一个圆内的无蜂窝大规模MIMO的场景，M个RAU均匀分布在一个半径为600m的圆内。系统里包含了K个随机分布的用户，包括K_u个上行用户，和K_d个下行用户。这K个上下行用户是随机分布在一个半径为1000m的圆内。我们假设M＝6,K_u＝4,Kd＝4，具体的场景分布图见说明书附图中的图1。噪声的功率设为-90dbm，上行链路的发送功率为30dbm，下行链路的发送功率为23dbm，路径损耗为128.1+37.6log10(d)。

本发明在该系统的实现方法具体如下：

(1)设定最大化频谱效率目标函数：

其中，R_U,i为上行链路的频谱效率，R_D,j为下行链路的频谱效率，K_u为上行链路中的用户数，K_d为下行链路中的用户数。

被下行用户j接收到的信号可以表示为：

式中，

表示所有下行链路RAU与接收信号的下行用户j之间的信道向量。N为每个RAU配备的天线数，M_u为上行链路RAU的数量，M_d为下行链路RAU的数量，M为上下行链路中RAU的总数量。

为下行预编码向量。

为发送给第m个下行用户的数据信号。g_i,j表示第i个上行用户和第j个下行用户之间的信道向量。p_u,i是第i个上行用户的发送功率。x_i～CN(0,1)是第i个用户发送的数据信号。

为复值加性高斯白噪声。

对于上行传输，所有的上行RAUs联合接收来自上行用户的信号，此时，接收到的信号可以表示为：

表示第i个上行用户与所有上行RAUs之间信道。

是下行RAUs和上行RAUs之间真实的干扰信道矩阵。w_j为下行预编码向量，η^u为复值加性高斯白噪声。为了确定每个RAU应该以哪种模式运行，我们定义了两个二进制分配向量x^u,x^d∈{0,1}^M×1，如果RAU用于上行链路(下行链路)则

取值为1，否则取值为0。(2)和(3)加入模式选择后可改写为：

我们定义X^u＝diag(x^u)，X^d＝diag(x^d)，式中

分别表示有效的下行链路信道向量，有效的上行链路信道向量以及有效的上行链路RAU和下行链路RAU之间的信道向量。

表示有效的噪声。

(2)利用用户速率与均方误差(MSE)的反比关系重塑优化问题为：

此式满足约束x^u+x^d＝1，展开来写这两项分别为：

式中，

和

分别表示上行链路和下行链路中的接收机向量，

和

分别表示上行链路和下行链路中的协方差矩阵和噪声加干扰的总方差。

和

的最小均方误差(MMSE)接收器可以表示为：

(6)式可以表示拆解为：

minG(X^u)+G(X^d)+G(X^u,X^d)， (11)

我们可以放松对单元超立方体的二进制约束，并使用PSCA框架解决这个NP难问题。由x^d＝1-x^u带入(12)(13)式，可将G(X^u)和G(X^d)写成x^u的二次函数。而G(X^u,X^d)则变成一个四次函数，对其进行一节泰勒级数展开，可得下式：

由矩阵的性质，对需要优化的式子进行化简，得到优化问题的变形为：

minx^uTΛx^u-2b^u,dTx^u， (16)

其中，满足x^u∈{0,1}^M×1。

下面对非平滑和非凸优化采用并行连续凸逼近，以便在使函数最小化和保持与先前迭代结果接近之间找到一个折衷方案。为了使优化问题转化为凸问题，我们可以添加一个运算符：

式中，满足x^u∈{0,1}^M×1，接下来通过凸优化问题的求解方法CVX可求解问题。

(3)具体的算法流程如下：

①初始化

②随机生成x^u(0)∈{0,1}^M×1，n＝0；

③当||x^u(n)-x^u(0)||≤λ，更新

④使用CVX去找

⑤更新

直到③的判断条件不满足为止；

⑥返回最优解x^u(n)；

⑦若算法收敛，结束算法，保存x^u(n)，计算

去计算频谱效率SE；否则，n＝n+1，返回②。

附图中的图2和图3显示出了不论在ZF还是MRT的预编码的前提下，本发明中提出的算法性能都比单纯的不做模式选择的均分上下行RAU以及时分全双工TDD和随机的算法要高，且最靠近性能理论上最佳的穷举算法，而本发明提出的算法的复杂度比穷举法低很多。这显示出了在无蜂窝大规模MIMO场景下网络辅助全双工的模式选择优化方法对于提高系统的性能具有重要意义。

Claims (2)

1.一种网络辅助全双工无蜂窝大规模MIMO双工模式优化方法，其特征在于：该方法包括以下步骤：

步骤1：设定最大化频谱效率目标函数：

其中，R_U,i为上行链路的频谱效率，R_D,j为下行链路的频谱效率，K_u为上行链路中的用户数，K_d为下行链路中的用户数；u、d分别为上行链路、下行链路的标识，i、j分别为第i个上行链路用户和第j个下行链路用户；

为了确定每个远端天线单元RAU应该以哪种模式运行，定义两个二进制分配向量x^u,x^d∈{0,1}^M×1，M为RAU的总数量，如果RAU用于上行链路或下行链路则第i个上行RAU的二进制分配向量或第j个下行RAU的二进制分配向量

取值为1，否则取值为0；被第j个下行链路用户接收到的信号和所有的上行远端天线单元RAUs联合接收来自上行用户的信号可分别表示为式(2)和式(3)：

定义X^u＝diag(x^u)，X^d＝diag(x^d)，diag(a)表示用元素a构成对角矩阵；式中

分别表示有效的下行链路信道向量，有效的上行链路信道向量以及有效的上行链路RAU和下行链路RAU之间的信道向量；

表示有效的噪声，

其中，

表示所有下行链路RAU与接收信号的下行用户j之间的信道向量，

为下行预编码向量，

为发送给第m个下行用户的数据信号，g_i,j表示第i个上行用户和第j个下行用户之间的信道向量，p_u,i是第i个上行用户的发送功率，x_i是第i个用户发送的数据信号，

为复值加性高斯白噪声，

表示第i个上行用户与所有上行RAUs之间信道，G_I是下行RAUs和上行RAUs之间真实的干扰信道矩阵，w_j为下行预编码向量，η^u为复值加性高斯白噪声；

步骤2：利用用户速率与均方误差MSE的反比关系重塑优化问题为：

满足约束：x^u+x^d＝1；

和

分别表示上下行的均方误差；

对非平滑和非凸优化采用并行连续凸逼近，以便在使函数最小化和保持与先前迭代结果接近之间找到一个折衷方案，具体如下：

放松对单元超立方体的二进制约束，并使用并行连续凸逼近PSCA框架解决这个非确定性多项式问题NP；由x^d＝1-x^u，将式(4)的优化问题拆解为只含有变量X^u的函数项G(X^u)，只含有变量X^d的函数项G(X^d)，含有X^u和X^d两项的函数项G(X^u,X^d):

min G(X^u)+G(X^d)+G(X^u,X^d)， (5)

由矩阵的性质，对需要优化的式子进行化简，得到优化问题的变形为：

min x^uTΛx^u-2b^u,dTx^u， (6)

满足x^u∈{0,1}^M×1；

其中Λ和b^u,d为经过矩阵运算和多项式合并之后的代数项；

为了使优化问题转化为凸问题，添加一个近端算子

式中，满足x^u∈{0,1}^M×1。

2.根据权利要求1中的网络辅助全双工无蜂窝大规模MIMO双工模式优化方法，其特征在于：所述的凸优化问题为：

步骤1，初始化

其中α，λ都为设定算法收敛阈值的辅助因子，

步骤2，随机生成x^u(0)∈{0,1}^M×1，n＝0，x^u(0)表示初始的x^u；

步骤3，当||x^u(n)-x^u(0)||≤λ，更新

上标n表示迭代的次数；

步骤4，找到最佳的

步骤5，更新

直到步骤3的判断条件不满足为止；

步骤6，返回最优解x^u(n)；

步骤7，若算法收敛，结束算法，保存x^u(n)，计算

去计算频谱效率SE；否则，n＝n+1，返回步骤2。

Images